Busca avançada
Ano de início
Entree

Algoritmos evolutivos para agregar classificadores e agrupadores

Processo: 10/20830-0
Linha de fomento:Bolsas no Brasil - Doutorado
Vigência (Início): 01 de julho de 2012
Vigência (Término): 30 de junho de 2015
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Pesquisador responsável:Eduardo Raul Hruschka
Beneficiário:Luiz Fernando Sommaggio Coletta
Instituição-sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Assunto(s):Algoritmos evolutivos   Mineração de dados

Resumo

Técnicas de mineração de dados têm um importante papel em diversas áreas do conhecimento humano. Para alcançar melhores resultados a partir dessas ferramentas, diversas abordagens baseadas em agregadores (ensembles) têm sido propostas e utilizadas na prática. No entanto, poucos trabalhos abordam a agregação de algoritmos de diferentes paradigmas de aprendizagem, como algoritmos de agrupamento e classificação. De fato, a agregação de classificadores e agrupadores tem como motivação as diversas vantagens inerentes a cada uma dessas tarefas. Em especial, resultados de agrupamento podem ajudar a aumentar a precisão e a capacidade de generalização de classificadores, enquanto que a informação das classes pode auxiliar na geração de um agrupamento de melhor qualidade. Alguns trabalhos encontrados na literatura agregam agrupamento e classificação de maneira sequencial, e.g., primeiro realizam o agrupamento e subsequentemente realizam a classificação sobre a estrutura de grupos obtida. Mais recentemente, alguns outros trabalhos têm agregado simultaneamente essas duas tarefas. O principal objetivo desse projeto de pesquisa é investigar e desenvolver algoritmos que agreguem classificadores e agrupadores para problemas de classificação. Especificamente, dado o conhecido potencial de algoritmos evolutivos na resolução de problemas de mineração de dados, serão estudadas e propostas técnicas evolutivas para esse problema.

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
FELIPE DA SILVA, NADIA FELIX; COLETTA, LUIZ F. S.; HRUSCHKA, EDUARDO R.; HRUSCHKA, JR., ESTEVAM R. Using unsupervised information to improve semi-supervised tweet sentiment classification. INFORMATION SCIENCES, v. 355, p. 348-365, AUG 10 2016. Citações Web of Science: 11.
DA SILVA, NADIA FELIX F.; COLETTA, LUIZ F. S.; HRUSCHKA, EDUARDO R. A Survey and Comparative Study of Tweet Sentiment Analysis via Semi-Supervised Learning. ACM COMPUTING SURVEYS, v. 49, n. 1 JUL 2016. Citações Web of Science: 11.
Publicações acadêmicas
(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)
LUIZ FERNANDO SOMMAGGIO COLETTA. Abordagens para combinar classificadores e agrupadores em problemas de classificação. 2015. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação São Carlos.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.
Mapa da distribuição dos acessos desta página
Para ver o sumário de acessos desta página, clique aqui.